論文の概要: Feature Attention Network (FA-Net): A Deep-Learning Based Approach for Underwater Single Image Enhancement

• arxiv url: http://arxiv.org/abs/2308.15868v1
• Date: Wed, 30 Aug 2023 08:56:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 14:13:41.603307
• Title: Feature Attention Network (FA-Net): A Deep-Learning Based Approach for Underwater Single Image Enhancement
• Title（参考訳）: 特徴注意ネットワーク(FA-Net):深層学習に基づく水中単一画像強調手法
• Authors: Muhammad Hamza (1), Ammar Hawbani (1), Sami Ul Rehman (1), Xingfu Wang (1) and Liang Zhao (2) ((1) Computer Science and Technology, University of Science and Technology of China, (2) School of Computer Science, Shenyang Aerospace University)
• Abstract要約: 本稿では,この問題を解決するために,ディープラーニングと機能アテンションに基づくエンドツーエンドネットワーク(FA-Net)を提案する。 特に,チャンネルアテンション,画素アテンション,長いスキップ接続を伴う残差学習機構を含む残差特徴注意ブロック(RFAB)を提案する。 RFABは、マルチホップ接続上で低周波情報をスキップしながら、高周波情報を学習することに集中することができる。
• 参考スコア（独自算出の注目度）: 0.8694819854201992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Underwater image processing and analysis have been a hotspot of study in recent years, as more emphasis has been focused to underwater monitoring and usage of marine resources. Compared with the open environment, underwater image encountered with more complicated conditions such as light abortion, scattering, turbulence, nonuniform illumination and color diffusion. Although considerable advances and enhancement techniques achieved in resolving these issues, they treat low-frequency information equally across the entire channel, which results in limiting the network's representativeness. We propose a deep learning and feature-attention-based end-to-end network (FA-Net) to solve this problem. In particular, we propose a Residual Feature Attention Block (RFAB), containing the channel attention, pixel attention, and residual learning mechanism with long and short skip connections. RFAB allows the network to focus on learning high-frequency information while skipping low-frequency information on multi-hop connections. The channel and pixel attention mechanism considers each channel's different features and the uneven distribution of haze over different pixels in the image. The experimental results shows that the FA-Net propose by us provides higher accuracy, quantitatively and qualitatively and superiority to previous state-of-the-art methods.
• Abstract（参考訳）: 水中画像処理と分析は近年、海洋資源の監視と利用に重点が置かれているため、研究のホットスポットとなっている。 開けた環境と比較すると、水中の画像は、光中絶、散乱、乱流、不均一照明、色拡散といったより複雑な条件に遭遇する。 これらの問題の解決においてかなりの進歩と強化技術が達成されたが、低周波情報をチャネル全体に均等に扱い、ネットワークの代表性を制限する結果となった。 本稿では,この問題を解決するために,ディープラーニングと機能アテンションに基づくエンドツーエンドネットワーク(FA-Net)を提案する。 特に,チャンネルの注目度,画素の注目度,および長短のスキップ接続による残差学習機構を含む残差特徴注目ブロック(rfab)を提案する。 RFABは、マルチホップ接続上で低周波情報をスキップしながら、高周波情報を学習することに集中することができる。 チャネルと画素のアテンション機構は、各チャネルの異なる特徴と画像内の異なるピクセルに対するヘイズの不均一な分布を考慮する。 実験の結果, FA-Netは従来の最先端手法よりも精度が高く, 定量的かつ質的に優れていることがわかった。

関連論文リスト

• UWFormer: Underwater Image Enhancement via a Semi-Supervised Multi-Scale Transformer [26.15238399758745]
  水中画像は、品質が悪く、色調が歪んだり、コントラストが低かったりすることが多い。 現在のディープラーニング手法は、マルチスケール拡張に欠けるニューラル畳み込みネットワーク(CNN)に依存している。 半教師付き学習によって複数の周波数の画像を拡張するためのマルチスケールトランスフォーマーベースネットワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:09Z)
• Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
  本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。 これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。 高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
  論文  参考訳（メタデータ） (2023-08-24T12:32:46Z)
• RSFDM-Net: Real-time Spatial and Frequency Domains Modulation Network for Underwater Image Enhancement [5.3240763486073055]
  水中画像における色や細部を効率的に拡張するためのリアルタイム空間・周波数領域変調ネットワーク(RSFDM-Net)を提案する。 提案した条件付きネットワークは,適応フーリエゲーティング機構 (AFGM) とマルチスケール・コントラルアテンションモジュール (MCAM) を用いて設計されている。 画像のカラーキャストと低彩度をより正確に補正するために、一次ネットに3分岐特徴抽出(TFE)ブロックを導入する。
  論文  参考訳（メタデータ） (2023-02-23T17:27:05Z)
• Dif-Fusion: Towards High Color Fidelity in Infrared and Visible Image Fusion with Diffusion Models [54.952979335638204]
  本稿では,Dif-Fusionと呼ばれる拡散モデルを用いて,マルチチャネル入力データの分布を生成する手法を提案する。 我々の手法は、特にカラー忠実度において、他の最先端画像融合法よりも効果的である。
  論文  参考訳（メタデータ） (2023-01-19T13:37:19Z)
• Wavelength-based Attributed Deep Neural Network for Underwater Image Restoration [9.378355457555319]
  本稿では,色チャネルの移動範囲に基づいて,適切な受容場サイズ(コンテキスト)を付与することで,大幅な性能向上が期待できることを示す。 第2の新規性として、学習したマルチコンテキスト特徴を適応的に洗練するための注意的スキップ機構を組み込んだ。 提案するフレームワークはDeep WaveNetと呼ばれ、従来のピクセル単位で機能ベースのコスト関数を使って最適化されている。
  論文  参考訳（メタデータ） (2021-06-15T06:47:51Z)
• Underwater Image Enhancement via Medium Transmission-Guided Multi-Color Space Embedding [88.46682991985907]
  本稿では,Ucolor と呼ばれる媒体透過誘導多色空間埋め込みによる水中画像強調ネットワークを提案する。 当社のネットワークは、複数の色空間を埋め込むことにより、水中画像の視覚的品質を効果的に改善できます。
  論文  参考訳（メタデータ） (2021-04-27T07:35:30Z)
• Single Image Super-Resolution via a Holistic Attention Network [87.42409213909269]
  本稿では,階層,チャネル,位置間の全体的相互依存性をモデル化するための新しい全体論的注意ネットワーク(HAN)を提案する。 提案したHANは階層的特徴を適応的に強調し,層間相関を考慮した。 実験により、提案HANは、最先端の単一画像超解像アプローチに対して好適に機能することが示された。
  論文  参考訳（メタデータ） (2020-08-20T04:13:15Z)
• Residual Channel Attention Generative Adversarial Network for Image Super-Resolution and Noise Reduction [14.217260022873083]
  深層ネットワークが深まるにつれて、トレーニングが難しくなり、より細かいテクスチャの詳細を復元することが難しくなります。 本稿では,これらの問題を解決するために,Residual Channel Attention-Generative Adversarial Network (RCA-GAN)を提案する。 RCA-GANは、ベースラインモデルよりも細部と自然なテクスチャで、常に視覚的品質が向上する。
  論文  参考訳（メタデータ） (2020-04-28T17:23:46Z)
• Decentralized Learning for Channel Allocation in IoT Networks over Unlicensed Bandwidth as a Contextual Multi-player Multi-armed Bandit Game [134.88020946767404]
  本稿では,プライマリセルネットワークにライセンスされたスペクトルに基づいて,アドホックなモノのインターネットネットワークにおける分散チャネル割り当て問題について検討する。 本研究では,この問題をコンテキスト型マルチプレイヤー・マルチアームバンディットゲームにマッピングし,試行錯誤による純粋に分散化された3段階ポリシー学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-03-30T10:05:35Z)
• ADRN: Attention-based Deep Residual Network for Hyperspectral Image Denoising [52.01041506447195]
  ノイズの多いHSIからクリーンなHSIへのマッピングを学習するために,注目に基づくディープ残差ネットワークを提案する。 実験の結果,提案手法は定量的および視覚的評価において最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2020-03-04T08:36:27Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。